SingVL_S1_4B vs. Moondream 3: Koordinaten oder Wahrscheinlichkeiten

Beide Modelle versprechen Struktur statt Prosa, und genau dort endet die Ähnlichkeit. Moondream 3 antwortet in Koordinaten: Bittet man es, die Personen auf einem Foto zu finden, liefert es Boxen mit Beschriftungen; fragt man es, wo der Griff ist, liefert es Punkte; bittet man es um eine Bildbeschreibung, liefert es einen Satz. SingVL_S1_4B antwortet in Wahrscheinlichkeiten: Gibt man ihm Optionen, liefert es eine Zahl pro Option; gibt man ihm eine Aussage, liefert es die Wahrscheinlichkeit, dass die Aussage wahr ist. Das eine sagt einem, wo etwas ist. Das andere sagt einem, wie sicher es ist. Die Wahl zwischen ihnen ist die Frage, welche dieser beiden Antworten Ihre Pipeline ohnehin immer gebraucht hätte, und die beiden können einander selten ersetzen.

Die zwei Formen von „strukturierter Ausgabe“

Moondream 3 ist ein Vision-Modell mit Mixture-of-Experts-Architektur – 9 Mrd. Parameter insgesamt, 2 Mrd. davon aktiv –, das laut Anbieter Moondream für visuelles Reasoning und Detektion zu einsatzfreundlichen Kosten konzipiert ist. Vier Fähigkeiten sind nativ und nicht per Prompt vermittelt: Query für die visuelle Fragenbeantwortung, Detect für Open-Vocabulary-Boxen, Point für Mittelpunkte und Caption. Alle vier liefern strukturierte Ausgaben statt Gesprächstext, und die Gewichte können kostenlos heruntergeladen und lokal über die eigene Inferenz-Engine des Anbieters, Photon, auf NVIDIA-GPUs ab Ampere oder auf Apple Silicon ausgeführt werden. Das Modell erschien im September 2025 als Preview und wurde im Juli 2026 durch Moondream 3.1 abgelöst, die aktuelle Generation derselben Architektur.

SingVL_S1_4B ist ein Entscheidungsmodell, das von inclusionAI am 11. November 2026 ohne Ankündigung hochgeladen wurde. Es nimmt einen Zustand – Text, JSON oder bis zu vier Bilder – und ein Wörterbuch benannter Fragen entgegen, die jeweils einen Typ und ihre Kandidatenantworten angeben. Choice liefert eine Wahrscheinlichkeit pro Option, noul liefert die Wahrscheinlichkeit, dass eine Ja/Nein-Aussage zutrifft, score liefert eine Wahrscheinlichkeit pro Stufe über zwei bis zehn geordnete Stufen plus eine erwartete Stufe. Ein Vorwärtsdurchlauf pro Anfrage, keine Token-Generierung, keinerlei Freiformausgabe.

Konkret gesagt: Geben Sie Moondream 3 ein Lagerfoto und das Wort „pallet“, und es liefert Ihnen Kisten. Geben Sie SingVL_S1_4B dasselbe Foto mit der Frage „is this frame safe to dispatch“ und den Kandidaten yes und no, und es liefert Ihnen 0.91 und 0.09. Beide sind strukturiert. Keines kann die Ausgabe des anderen erzeugen.

Wofür das 9B-Modell tatsächlich gedacht ist

Moondreams eigenes Veröffentlichungsmaterial ist ungewöhnlich offen gegenüber den Grenzen von Benchmarks – und veröffentlicht dann trotzdem einen dichten Satz davon. Bei der Detektion unter [email protected] sind die Zahlen, auf die es ankommt: COCO mit 81.46, ODinW-13 mit 93.94, Dense200 mit 74.61 und SKU-110K mit 52.77 – wobei die letzten beiden dicht gedrängte Szenen-Sets sind, bei denen ein allgemeines Vision-Modell typischerweise zusammenbricht. Die Referring Detection erreicht 87.1 auf RefCOCO-M. Dagegen sind LVIS mit 67.4 und HumanRef mit 70.39 die Zeilen, in denen es gegen einen Wettbewerber verliert, was der Anbieter lieber abdruckt als versteckt.

Dieses Profil – stark bei Dense- und Open-Vocabulary-Detektion, schwächer bei feinkörniger Referring-Erkennung, wo ein Spezialist gewinnt – ist das, was das 2B-active MoE einbringt. Das Modell ist schnell, weil die meisten seiner Parameter pro Token nicht verwendet werden, und es ist präzise beim Zählen und Lokalisieren, weil diese als vollwertige Fähigkeiten trainiert wurden und nicht aus dem Captioning entstanden sind.

Die kommerzielle Ausgestaltung ist erwähnenswert, weil sie das Gegenteil einer Forschungsveröffentlichung ist. Die Gewichte sind unter der Moondream Model License kostenlos, ihre lokale Ausführung erfordert keinen API-Schlüssel, und der gehostete Dienst wird pro Token abgerechnet: 0,30 USD pro Million Eingabe- und 1,00 USD pro Million Ausgabe-Token für Echtzeit, halbiert auf 0,15 USD und 0,50 USD für Batch. Es gibt eine kostenlose Tarifstufe, einen Playground, einen dokumentierten lokalen Weg und einen Lizenztext, den man lesen kann. Nichts an der Veröffentlichung ist unklar.

Wofür das 4.5B-Modell tatsächlich gedacht ist

Die Karte von SingVL_S1_4B veröffentlicht eine Tabelle „Public Decision Index 0.3“: 69,76 auf dem Text-Panel und 73,94 auf Vision, gegenüber TypeSafe Jev 1.14 mit 60,70 Text, StartLux-Decision v1.1 4B mit 67,8 und 67,90 sowie Perplexity Decider Flash v1.2 mit 60,1 und 72,5. Die Zeilen je Datensatz zeigen, woher der Gesamtwert kommt – InfographicVQA 96,31, Winoground 93,12, Schlüsselinformationsextraktion 95,82 an der Spitze; MMMU-Pro Vision 50,17, R-Bench-M 49,77 und Moderation hasserfüllter Memes 71,64 am unteren Ende.

Das sind die eigenen Zahlen des Anbieters auf einer Rangliste, deren Formalisierung seine eigenen Autoren mitgestaltet haben, erzeugt durch die Bewertung vorgegebener Optionen statt durch das Generieren von Antworten, und niemand hat sie reproduziert. Das Repository war zwei Tage alt, als dies geschrieben wurde, hat null Downloads, enthält keine Lizenzdatei, und es existiert kein Paper. Das öffentliche Reproduktionskit des Decision Index zeigt keine Einreichung von diesem Modell.

Die verwendbare Aussage ist also eng und strukturell statt numerisch: Ein einzelner Vorwärtsdurchlauf, der eine kalibrierte Wahrscheinlichkeit pro Kandidat zurückgibt, ist ein anderes Primitiv als ein Modell, das Koordinaten oder Text zurückgibt. Es ist das Primitiv, das man will, wenn die nachgelagerte Entscheidung ein Schwellenwert ist – wenn bereits entschieden wurde, dass man über 0,8 agiert und unter 0,3 eskaliert. Es ist nicht das Primitiv, das man will, wenn der nachgelagerte Schritt wissen muss, wo.

Die Überschneidung ist geringer, als ein gemeinsamer Datensatzname vermuten lässt.

Beide Karten betreffen das visuelle Grounding, und es wäre einfach, Zahlen nebeneinanderzulegen und einen Sieger zu küren. Tun Sie es nicht. Drei Abweichungen machen das bedeutungslos.

• Aufgabenform — Moondreams Erkennungswerte entstehen dadurch, dass es Boxen ausgibt und sie bei einem IoU-Schwellenwert mit der Ground Truth abgleicht. SingVL_S1_4Bs Vision-Werte entstehen dadurch, dass es zwischen Optionen auswählt, die jemand anderes geschrieben hat. Ein Modell, das Kandidaten korrekt rankt, ist dadurch noch kein Modell, das lokalisieren kann.

• Harness — Moondream meldet [email protected] auf benannten Detektionssets unter seinen eigenen Evaluierungseinstellungen. SingVL_S1_4B meldet Genauigkeit innerhalb der zufallskorrigierten, abdeckungsbereinigten Suite des Decision Index. Gleiches Wort, andere Messung.

• Urheberschaft — beide Datensätze sind vom Anbieter gemeldet. Moondreams Datensatz wurde über ein Jahr lang von Dritten geprüft und von der Community portiert; der von SingVL_S1_4B wurde überhaupt nicht geprüft. Über eine dieser Zahlen wurde öffentlich gestritten.

Wo die beiden wirklich verglichen werden könnten, ist eine Aufgabe, die beide ausdrücken können: Enthält dieses Bild einen Verstoß, und welche Kategorie. Moondream würde mit einer Detektion oder einer Query-Antwort antworten; SingVL_S1_4B mit einer Auswahlverteilung. Das ist ein echtes Experiment, das jemand durchführen sollte, und es wurde nicht durchgeführt.

Eine ausgearbeitete Form, weil die API das Produkt erklärt.

Am klarsten lässt sich der Unterschied erkennen, wenn man die Anfrage formuliert, die jedes Modell für dieselbe Aufgabe erhalten würde – die Vorprüfung eines Lieferfotos, bevor es an einen Schadensregulierer weitergeleitet wird.

Bei Moondream 3 lautet der Aufruf detect(image, "damaged parcel"), und die Antwort ist eine Liste von Objekten mit Bounding Boxes und Konfidenz oder eine leere Liste, wenn nichts übereinstimmte. Du erfährst, ob ein Schaden gefunden wurde und wo. Dann liefert caption(image) einen Satz, der die Szene beschreibt. Zwei Aufrufe, zwei Strukturen, beide betreffen den Inhalt.

Mit SingVL_S1_4B enthält der Aufruf die Fragen in der Anfrage. Eine Auswahlfrage fragt, ob das Paket intakt, beschädigt oder fehlend ist, mit drei Kandidaten. Eine noul-Frage fragt, ob das Etikett lesbar ist. Eine Score-Frage bewertet die Bildqualität über vier geordnete Stufen. Die Antwort enthält für jede Frage eine Wahrscheinlichkeit pro Kandidat und eine erwartete Stufe für den Score. Ein Aufruf, drei Antworten, alles zur Konfidenz.

Der Moondream-Pfad liefert einem Claims-System etwas, das es anzeigen kann. Der SingVL-Pfad liefert ihm etwas, worauf es verzweigen kann. Ein Team, das den ersten baut, wird den zweiten nutzlos finden; ein Team, das den zweiten baut, wird feststellen, dass der erste einen Parser erfordert, den es nicht schreiben will. Das ist die gesamte Entscheidung, und sie ist entschieden, bevor der Benchmark eines der beiden Anbieter geöffnet wird.

Auch sie auszuführen ist nicht vergleichbar.

Moondream 3.1 läuft über Photon auf einer Workstation-GPU oder einem Apple-Laptop, wobei die Gewichte bei der ersten Verwendung vom Hub heruntergeladen werden und für das Basismodell kein Schlüssel erforderlich ist. Es gibt einen gehosteten Endpunkt mit veröffentlichten Preisen pro Token, einem kostenlosen Tarif und einem dokumentierten Schnellstart, und der Anbieter veröffentlicht einen Leitfaden für lokale Inferenz, der unterstützte Hardware, Streaming, Finetunes und das Serving über Triton abdeckt. Jeder Weg ist dokumentiert und jeder Preis ist öffentlich.

SingVL_S1_4B läuft auf einer GPU, die du bereitstellst, aus einem 9.1 GB großen BF16-Download, über eine Python-3.12-Umgebung und einen an Port 8173 gebundenen FastAPI-Server, der unter POST /v1/systemone antwortet. Die Anleitung ist vollständig und die curl-Beispiele funktionieren, was mehr ist, als die meisten stillen Veröffentlichungen zustande bringen. Was nicht existiert, ist irgendeine gehostete Option, irgendein quantisierter Build, irgendeine Framework-Integration oder irgendeine Lizenz, die dir erlaubt, das weiterzuverbreiten, was du heruntergeladen hast.

Dieses letzte Fehlen hat einen kommerziellen Aspekt. Moondreams Lizenz ist eine eigene — nicht Open Source im Sinne der OSI — und der Anbieter stellt ausdrücklich klar, dass das Hosten der Gewichte als Cloud-Dienst seine Lizenz erfordert, weshalb es die gehostete Stufe gibt und sie kostenpflichtig ist. SingVL_S1_4B hat überhaupt keine Bedingungen, was nicht dasselbe ist wie permissiv: Ohne eine Erlaubnis hat niemand außerhalb von inclusionAI die Berechtigung, es kommerziell zu nutzen, und eine rechtliche Prüfung wird dort enden.

Wo die Entscheidung landet

Wenn es bei der Aufgabe darum geht, Dinge zu finden – Bestand zählen, ein Bauteil lokalisieren, ein Layout in Kästchen erfassen, auf einen Griff zeigen –, ist Moondream 3 der einzige der beiden, der das kann, und seine Kennzahlen für Menschenmengen-Szenen sind der Grund, es für diese Arbeit einem allgemeinen Vision-Modell vorzuziehen. Es hat außerdem eine Preisliste, eine Lizenz, einen lokalen Pfad und ein Jahr, in dem andere es bereits nutzen.

Wenn die Aufgabe im Entscheiden besteht – ein Gate, eine Triage, ein Schwellenwert über einer festen Taxonomie, bei der eine Zahl nützlicher ist als ein Satz –, dann ist das Design von SingVL_S1_4B die bessere Wahl, und seine Ausgabe beseitigt eine ganze Klasse nachgelagerten Parsings. Aber „bessere Wahl“ ist eine Aussage über die Architektur am zweiten Tag eines Releases ohne Lizenz, und sie sollte als Grund zum Beobachten gelesen werden, nicht als Grund zum Bauen.

Ein Team, das das Entscheidungsmuster jetzt testen möchte, statt darauf zu warten, dass inclusionAI die Formalitäten erledigt, kann es heute abrufen: OrcaRouter stellt TypeSafe Jev 1.14 bereit — typesafe/jev-1.14, 0,042 $ pro Million Eingabetokens — unter demselben Schlüssel wie über 200 weitere Modelle, zum Listenpreis des Anbieters mit 0 % Aufschlag, sodass eine Preisänderung eines beliebigen Anbieters noch am selben Tag wirksam wird. Sing VL S1 ist nicht auf OrcaRouter und wird nirgendwo gehostet, daher ist dies keine Verfügbarkeitsaussage; es ist der günstigere Weg herauszufinden, ob Wahrscheinlichkeitsausgaben Boxen auf Ihren eigenen Daten übertreffen. Wenn ja, prüfen Sie den Checkpoint erneut, sobald Bedingungen vorliegen. Wenn nicht, haben Sie eine GPU und eine rechtliche Prüfung gespart.

Die beiden Modelle werden weiterhin in einem Atemzug genannt werden, weil beide die Chat-Oberfläche vermeiden. Das ist eine oberflächliche Ähnlichkeit. Darunter ist der eine ein Lokalisierer und der andere ein Bewerter, und die Pipeline, die du baust, weiß bereits, welches von beiden sie braucht.